编辑丨&

在漆黑的深空之中，有许多暗淡的眼睛——黑洞，一旦靠近事件视界，连光都逃不出它们的视线。但对天体物理学家来说，真正能研究的并不是黑洞「本体」，而是它周围那层会发光、会流动、会被磁场和相对论共同塑形的等离子体。

2026 年 6 月 11 日， OpenAI 发表了一篇文章，讲述了亚利桑那大学与 Steward Observatory 的 Chi-kwan Chan 正做的这件事：用 Codex 帮自己改进黑洞模拟算法，让原本几乎被算力压住的问题，重新变得可探索。

不过在此之前，我们先来回顾一下人类对黑洞的认识历史。

2019 年，Event Horizon Telescope（EHT）公布了人类第一张黑洞图像，拍到的是 M87 星系中心的超大质量黑洞 M87*。今天的黑洞天体物理，本质上是观测、理论和模拟三者一起努力的结果。

图示：人类为 M87* 拍摄的照片。

拍下这张照片相当不易。很多情况下，研究者会把等离子体近似成流体，因为这样计算更可控；可一旦进入黑洞附近某些极热、极稀薄的区域，电子和离子就不再像普通流体那样频繁碰撞，而是更多沿磁力线做螺旋运动。

为了正确描述这些区域，模型就得追踪海量粒子的微观行为，时间步长也随之被压到很小，超级计算机的大部分时间都会被耗在细枝末节上。更直白的点来说，超算模拟的并非有序系统，而是在追踪数万亿个电子和离子各自的去向。

对此，Chan 有他自己的想法：不如从数学上改变模拟对粒子运动的追踪方式，使计算机不再需要直接跟踪每一个微小的螺旋。

这一点需要 Codex 帮助推导候选算法并用已知解进行测试。Codex 提出了许多潜在的方案——并非全部正确，但这些问题无伤大雅，重点在于这些算法是可测试的。一旦找到有效的方法，Codex 就有可能解锁以前不可能实现的模拟。

图示：来自 Chan 手写的数学近似。

配套故事中提到，Codex 帮他发现了新的坐标变换和数值算法，某些计算的速度据说能提升到 1000 倍，并能让团队进行以前无法实现的模拟。Chan 仍需实现和验证 Codex 生成的每一个近似值，但这种方法加快了他的工作流程，使他能将更多时间投入到研究中。

相关链接：https://openai.com/index/creating-new-simulations-black-holes/

这类工作并不是孤例。OpenAI 近来的「Applied AI」故事里，Codex 已经被写进多个真实工作流：软件工程、企业开发、研究加速，如今又进入天体物理数值模拟。

从这些故事中，可以看到一个很清晰的趋势，AI 不再只被拿来「回答问题」，而是在研究流程中段承担更重的角色——提出候选、组织搜索、快速验证、持续修正。对科学而言，这意味着瓶颈开始从「有没有想法」转向「能不能把想法高效地变成可计算、可检验的方案」。

相关链接：https://openai.com/zh-Hans-CN/index/accelerating-science-gpt-5/

在这个团队中，AI 的效能并不在代替——Chan 表示，他们并不会因为某个想法来自爱因斯坦、聪慧的学生或者 AI 就直接采用，决策只会出现在测试之后。

对于 Chan 来说，Codex 只会是一个工具，可以帮助研究人员探索更多想法，更快地测试它们，加速发现过程，同时保持验证和可重复性的基础。

对黑洞研究来说，这意味着模拟有机会变得更真实；对 AI for Science 来说，这意味着代理开始真正进入研究链条，而不是停留在演示层面。黑洞依旧深不可测，但人类至少开始拥有一把更顺手的「钥匙」了。

原文链接：https://openai.com/index/using-codex-to-simulate-black-holes/